多刺激最小方形转换与在线适应方案,以减少SSVEP基础BCI的校准工作

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 稳态视觉唤起潜力 (SSVEP) 是一种流行的基于脑电图 (EEG) 的脑电脑接口 (BCI) 范式.
• 基于校准的识别算法实现了高性能,但需要广泛的数据收集.
• 目前用于SSVEP-BCI的最小平方转换 (LST) 方法减少了校准工作,但在转换矩阵中缺乏精度,导致空间过器和参考模板不足.

研究的目的:

• 解决SSVEP-BCI中现有的LST方法的局限性.
• 提出一种新的方法,多刺激的LST与在线适应 (ms-LST-OA),用于更精确的转换矩阵和优化的空间过器/参考模板.
• 为了减少基于SSVEP的BCI所需的校准工作.

主要方法:

• 拟议的ms-LST-OA使用多刺激LST (ms-LST) 与交叉刺激学习方案,以改进跨主题数据转换.
• ms-LST通过利用邻近刺激的数据来构建更高精度的转换矩阵,最大限度地减少转换和实际受试者数据之间的差异.
• 在线适应方案用于代,逐步学习目标受试者的EEG信号特征,进一步优化空间过器和参考模板.

主要成果:

• 在三个不同的数据集 (基准,BETA和UCSD) 上评估了ms-LST-OA方法.
• 拟议的方法实现了高信息传输速率 (ITR) 的最小校准数据: 210.01±10.10比特/分钟,172.31±7.26比特/分钟,和139.04±14.90比特/分钟在数据集.
• 这些结果表明ms-LST-OA在降低校准工作量的情况下实现高性能方面的有效性.

结论:

• ms-LST-OA方法有效地减少了基于SSVEP的BCI的校准工作.
• 拟议的方法提高了转换矩阵的精度,并优化了空间过器和参考模板.
• ms-LST-OA为开发更高效,更用户友好的SSVEP-BCI系统提供了一个有前途的解决方案.